Deep Neural Network Modeling for Accurate Electric Motor Temperature Prediction
Notice bibliographique
Résumé
Electric motors are becoming widely used in many different applications, such as electric cars, and turbines. Measuring the temperature of internal components of an electric motor, like permanent magnet synchronous motor (PMSM) is vital to maintain its safe operation. However, measuring the temperature of the permanent magnet and stator directly comes at the expense of higher cost and additional hardware requirement, for instance, a sensor network. To overcome these limitations, machine learning (ML) techniques can be employed to model the mentioned parameters without the need of specialized sensors and design ideas for housing them inside the motors. Classical methods, like lumped-parameter thermal networks (LPTNs) are capable of calculating the temperature of internal elements of PMSMs. But, these methods require expertise and may lack an acceptable accuracy. In this study, two deep neural networks (DNNs) were modeled using convolutional neural network (CNN) and long short-term memory (LSTM) units to predict the temperature of four target values of PMSMs: stator tooth, stator yoke, stator winding, and permanent magnet. For attribute conditioning, exponentially weighted moving average (EWMA) and exponentially weighted moving standard deviation (EWMS) were applied. A thorough ablation analysis shows that the CNN-based model predicts the targets better than the LSTM model with an average mean squared error (MSE) of 2.64 ${\circ} \mathrm{C}^{2}$ and an average R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 0.9924. It is also found that the proposed CNN-based model achieves a 13% mean average performance (mAP) improvement compared to the existing state-of-the-art solution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».